Palabras clave
Regresión simbólica
Commodities
Índice Dow Jones
Indice LME
Cadena de suministro
Cómo citar
Resumen
La presente investigación propone un enfoque metodológico basado en la dinámica caótica y las ecuaciones no lineales para analizar la relación entre los índices bursátiles internacionales (Dow Jones y LME) y el comportamiento de los precios de commodities importados, claves en la fabricación de electrodos en el Perú. La volatilidad de estos insumos afecta directamente la rentabilidad y sostenibilidad de las industrias fabricantes de soldaduras, particularmente en un contexto global altamente incierto. Se aplicaron modelos ARIMA (Box-Jenkins), regresión simbólica (SR) y ecuaciones logísticas de Verhulst para modelar series temporales de los precios de commodities entre 2018 y 2023. Además, se empleó el análisis de bifurcaciones y la constante de Feigenbaum para detectar transiciones caóticas. Los resultados demostraron que los modelos no lineales superan en precisión a los modelos lineales tradicionales, con menor error cuadrático medio (RMSE) en las proyecciones. También se validó empíricamente que el comportamiento errático de los mercados puede anticiparse mediante atractores dinámicos. Se concluye que la integración de herramientas matemáticas avanzadas permite optimizar la gestión en la cadena de suministro, proponiendo un sistema predictivo que reduce la incertidumbre en la adquisición de materias primas. Este enfoque contribuye a una mejor toma de decisiones estratégicas en la industria fabril de electrodos y puede ser replicado en otros sectores industriales sensibles al precio de commodities.
Citas
Abraham, R., Gardini, L., & Mira, C. (2004). Chaos in discrete dynamical systems: A visual introduction in 2 dimensions. Springer. https://doi.org/10.1007/978-3-642-18882-8
Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control. Holden-Day.
Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital future. W. W. Norton & Company.
Chopra, S., & Meindl, P. (2019). Supply chain management: Strategy, planning, and operation (7th ed.). Pearson.
Christopher, M. (2016). Logistics & supply chain management (5th ed.). Pearson Education.
Day, R. H. (1992). Complex economic dynamics: Obvious in history, generic in theory, elusive in data. Journal of Applied Econometrics, 7(S1), S9–S23. https://doi.org/10.1002/jae.3950070503
Debreu, G. (1991). The theory of value: An axiomatic analysis of economic equilibrium. Yale University Press.
Drucker, P. (1974). Management: Tasks, responsibilities, practices. Harper & Row.
Feigenbaum, M. J. (1978). Quantitative universality for a class of nonlinear transformations. Journal of Statistical Physics, 19(1), 25–52. https://doi.org/10.1007/BF01020332
Feigenbaum, M. J. (1983). Universal behavior in nonlinear systems. Physica D: Nonlinear Phenomena, 7(1-3), 16–39. https://doi.org/10.1016/0167-2789(83)90112-4
Guegan, D. (2009). Chaos in economics and finance. Annual Review of Financial Economics, 1(1), 143–170. https://doi.org/10.1146/annurev.financial.050808.114341
Koza, J. R. (1992). Genetic programming: On the programming of computers by means of natural selection. MIT Press.
Lipson, H. (2009). Principles of modularity, regularity, and hierarchy for scalable systems. Journal of Biological Physics and Chemistry, 9(1), 151–158. https://doi.org/10.4024/40709.jbpc.09.03
Lorenz, E. N. (1963). Deterministic nonperiodic flow. Journal of the Atmospheric Sciences, 20(2), 130–141. https://doi.org/10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2
Marr, B. (2024). The future of business analytics. Kogan Page.
Matilla, A. S. (2003). Dynamics of customer satisfaction: Modeling and managerial implications. Journal of Service Research, 5(2), 131–144. https://doi.org/10.1177/1094670502238916
May, R. M. (1976). Simple mathematical models with very complicated dynamics. Nature, 261(5560), 459–467. https://doi.org/10.1038/261459a0
Murray, J. D. (2002). Mathematical biology I: An introduction (3rd ed.). Springer. https://doi.org/10.1007/b98868
O’Neill, M., & Ryan, C. (2010). Grammatical evolution: Evolutionary automatic programming in an arbitrary language. Springer. https://doi.org/10.1007/978-1-4419-8983-3
Peters, E. E. (1996). Chaos and order in the capital markets: A new view of cycles, prices, and market volatility (2nd ed.). Wiley.
Rosser, J. B. (2000). From catastrophe to chaos: A general theory of economic discontinuities. Mathematics and Computers in Simulation, 51(1–2), 259–273. https://doi.org/10.1016/S0378-4754(99)00132-5
Schmidt, M., & Lipson, H. (2009). Distilling free-form natural laws from experimental data. Science, 324(5923), 81–85. https://doi.org/10.1126/science.1165893
Stiglitz, J. E. (2002). Globalization and its discontents. W. W. Norton & Company.
Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3–28. https://doi.org/10.1257/jep.28.2.3
World Trade Organization. (2024). World trade statistical review 2024. WTO.
Abraham, R., & Shaw, C. (1992). Dynamics: The geometry of behavior. Addison-Wesley.
Guckenheimer, J., & Holmes, P. (1985). Nonlinear oscillations, dynamical systems, and bifurcations of vector fields. Springer. https://doi.org/10.1007/978-1-4612-1140-2
Kantz, H., & Schreiber, T. (2004). Nonlinear time series analysis (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511755798
Packard, N. H. (1988). Adaptation toward the edge of chaos. In J. A. S. Kelso, A. J. Mandell, & M. F. Shlesinger (Eds.), Dynamic patterns in complex systems (pp. 293–301). World Scientific. https://doi.org/10.1142/9789814415743_0017
Takens, F. (1981). Detecting strange attractors in turbulence. In D. A. Rand & L.-S. Young (Eds.), Dynamical systems and turbulence (pp. 366–381). Springer. https://doi.org/10.1007/BFb0091924
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2025 Luis César Cáceres Linares